摘要
本文提出了一种计算效率高的深度学习框架，用于在便携式雷达应用中实现精确的到达方向估计。该框架基于MobileNet架构，可直接处理原始的同相和正交相数据，从而更有效地学习空间和时间特征。这种直接输入的方式提升了到达方向估计的精度，尤其是在信噪比低以及快照数量有限的复杂条件下。该框架采用了统一的训练策略，适用于单源和多源目标检测，保证了结果的一致性和稳定性。通过大量的仿真实验表明，该模型在各种条件下都能表现出优异的性能，包括不同的信噪比、距离较近的目标以及随机偏离网格的角度。此外，该方法在多种复杂场景下的性能可与最新的深度学习方法相媲美，甚至更优，因此非常适合那些只能获取少量快照数据的资源受限环境。所提出的IQ-MobNet到达方向估计模型在保持高性能的同时，计算复杂度显著降低，仅需0.24百万个参数和0.42百万次浮点运算，相比现有的神经网络模型降低了96%以上。为确保其实际应用性，该框架还使用了真实测量数据进行了验证，证明了其在现实环境中的稳定性。
